由穆斯塔法CAĞRI GURBUZ
供应链管理教授MIT-Zaragoza国际物流项目
供应链管理的一个主要挑战是匹配的供应和需求,供应过程中由于不确定因素(如随机产生,中断)和需求的过程(例如,季节性需求)。作为供应链的组成部分,仓库是至关重要的供应链演员,作为制造商和客户之间的一个缓冲。即使没有股票,这些设施仍然是主要的制造商和客户之间的联系以转运。除了持有库存,仓库的目标是降低成本(入站/出站运输费用),整合产品,实现规模经济。bob手办官网
保持相当高的服务水平-产品更短的响应时间和高可用性同时保持cost-to-serve尽可能低是说起来容易做起来难。原因包括更短的产品生命周期,产品的高度易腐性质在许多领域(消费电子产品、服装、新鲜农产品),SKU增殖,复杂的供应链,并要求消费者寻找高度定制的产品。bob手办官网此外,由于供给和需求过程严重影响物流业务,任何小/大中断过程会导致中断或相当大的仓库的低效率。
例如,中断的可能性增加,原来的供应商可能激励公司订单来自多个供应商或决定保持更高的库存风险降低。这些设施将入站处理更复杂和需要额外投资扩展存储容量。轻微的中断延迟交付等从供应商和/或短期需求波动也使入站/出站的同步过程更加困难,造成意外在工作负载高峰。
预测分析可用于定义风险指数吗供应链合作伙伴以及仓库本身。它也可以确保时间生存吗(即。,how long a supply chain can endure without a specific node)和时间来恢复——两个著名概念引入了麻省理工学院的教授David Simchi-Levi -允许范围之内能够在仓库继续照常营业。
数据驱动的决策
使用数据驱动模型在供应链管理越来越被利用,特别是因为决定不再单独基于人类的判断。大量的结构化和非结构化数据的可用性和改进的能力来分析他们允许决策者观察模式和供应链性能的相关性在不同的驱动程序。
大数据模型——描述、预测和说明性的利用统计,数据挖掘,和机器学习技术。Kumar et al。报告的使用机器学习模型,如随机森林回归算法,用于仓库,例如,尽量减少浪费(全球约三分之一的新鲜水果和蔬菜成为垃圾和丢弃)。
供应链决策变得越来越自动化和数据驱动
还可用于类似的模型仓库空间/布局规划和定位,有效的管理搬运设备和劳动、操作监视(指令拣选、库存、仓储),和更好的决策响应中断或意想不到的事件。DHL,据报道,例如,使用大数据分析技术预测网络容量规划、客户价值管理、风险管理、实时当地智能通过拾音器和交付装运数据分析,和预测需求和供给需求。在机器学习的方法对预测仓库设计,图法诺等。提到数据驱动算法可以用来识别相似sku和定位他们彼此接近或预测挑选工作负载和确定区域,选择相应的政策。
实际实现和案例研究泛亚电竞竞猜bob
WMS与自动识别和数据采集
的主要功能之一仓库管理系统(WMS)是提供采购和物流业务之间的可见性,并获得和共享数据的准确性/质量是至关重要的。自动识别和数据采集(后来)是至关重要的,因为它减少了需要纸质流程,导致减少输入错误。
数字双胞胎加上后来和区块链是有前途的解决方案来提高仓库操作的效率。数字的双胞胎不仅是用于跟踪和监测,但也用于构建描述性/预测模型优化操作。物联网(物联网)可访问性是这类工具的发展的推动者。
如果关键性能指标(KPPs)——例如,客户需求的变化,减少库存水平,改变领导和供应商的订单到达时间搬运设备状态和短期员工工作量可以预测精度高吗一起,那么WMS数字双胞胎能够简化操作。这将消除浪费的动作(仓库中过多的步行距离),提高工作效率(工人专注于其他任务如果有延迟交货或提货),并避免设备和/或处理材料短缺(通过预见性维护和更好的人力计划)。
作为一个结果,WMS优化与物联网技术和数字双胞胎将允许企业实施战略如即时(JIT),需要库存(VMI),和直接换装在同步,需要相当多的努力预测,协调,和先进的规划。这些系统也有可能更快地检测并解决差异。例如,由于改进的监控能力和日常信息收集-而不是季度或年度审计的WMS可以快速识别一个项目缺少一批送到零售商确实是在仓库货架上和应对索赔由零售商。
IoT-based WMS提高生产力和效率
在一个研究发表在《国际期刊的生产研究,李等人研究了IoT-based WMS的实现结合模糊聚类技术管理操作箱的构建和设备制造公司。在这里,客户订单小,高度定制的容量high-product-mix环境。这使得传统的手工操作响应订单变更和更加昂贵的:依靠记忆和经验的工人可达50%的总运营成本指令拣选流程。
客户经常变更请求,如拉片、排出和取消。这需要一个灵活的WMS,能够预测这些变化,迅速做出反应确保原材料和半成品的可用性。
模糊模型与基于规则的引擎收集信息当前订单的数量,数量的处理器,时间直到预定开始日期,物品的位置,客户详细信息,需要数量和可用的工人数量来预测下一时期的状态。此外,它规定了一个响应,如选择batch-picking作为适当的方法在严格的顺序选择。
因此,IoT-based WMS结合模糊聚类提出的李和合作者材料实时监控和及时序变处理能力。李和他的同事们表明,该预测/规范的模型提高了生产率,选择精度,效率和健壮的可变性。该模型会导致更多的订单处理每个时间单位(其他实践活动更少的时间),减少错误,高阶填充率,增加订单准确性和更大的库存记录的准确性。这些结果可以归因于两个预测的分析功能和IoT-based WMS /规范的模型。
通过机器学习预测仓库设计
在出版机器学习方法预测仓库设计,图法诺等。开发出一种机器学习模型来预测多个方面存储系统的基于以前的观测。第一个方面是存储技术,例如,自动存储和检索系统(AS / RS)块堆积,bob电子娱乐,一个系统负荷小、托盘货架和货架。第二个是材料处理系统(车,叉车,运营商选择器、等等)。第三个涉及存储分配策略,例如,储备&提出政策或简单的存储没有复制(即。储备政策)。第四方面是选择政策,例如,单一或multi-order。
大数据技术和机器学习允许企业实现描述,预测和描述模型
模型的kpi SKU剖析(每个SKU)的行为进行分类,库存分析(理解行为的饱和空间),工作负荷分析(识别,以及负载分布),和布局分析(确定资源/组织)。库存分析,例如,可以用来预测缺货的风险,识别时间库存消费市场需求的一个特定的SKU。
这个模型需要各种输入包括入站数据(存储),出站数据(挑选),布局信息,布局协调,每个SKU体积数据,领料单的细节。模型旨在预测仓库配置分配给每个SKU并验证了16家公司收集的数据在行业如汽车、制造业、食品和饮料、化妆品、和发布。
该模型具有明显的实际意义,不同的球员和供应链吗旨在提供可行的——不一定是最优的解决方案灵活性高的工业实践。例如,第三方物流供应商通常发现很难做出这样的设计选择,因为他们面临的需求更加不可预测,通常表现为块状模式。此外,他们可能不知道的新客户的需求,和现有的合同可能会经常变化。例如sku旋转,由于客户到期合同。图法诺和他的同事们报告说,这些第三方物流可以受益于这种数据驱动方法,特别是关于关键参数的信息,如每个SKU的体积/重量和市场需求的动态(流行,季节性)是可用的。
短期负荷预测和有效劳动管理
供应链决策越来越数据驱动和自动化。然而,人类的判断仍然是一个供给/需求规划的关键因素。此外,很大一部分的仓库操作,即指令拣选和包装,仍然是劳动密集型的。仓库工作负载——尤其是出站操作——也很变量,主要是因为供应和需求不确定性的过程。
导航需求波动,企业必须适应几个因素,包括季节性需求确定产品类型和/或峰期末需求由于激励等销售目标。由于这些挑战和工作负载的变化,公司寻找灵活的劳动力池除了永久全职人员在仓库里。因此,预测负荷和容量计划(即。,warehouse manpower) requires a careful analysis aimed at detecting human judgment in demand planning, controlling any potential bias, and estimating the impact on labor efficiency.
控制最优预测偏差与人类的判断导致over-forecasting订单规模的经理。这种偏见起源于对成本的影响/ /根据预测,这取决于劳动雇佣选项和与客户服务水平协议。而这种偏见似乎并没有对劳动密集型包装阶段,研究在三星电子快速货物仓库在西欧发现大约30 - 70%的偏差在挑选和加载操作导致效率提高5 - 10%。研究结果也验证了30个仓库属于其他公司的调查(见金et al。)。
金等人提出的预测模型证实控制仓库偏见可以提高劳动效率。该模型定义了需求预测偏差之间的解析关系(预测需求之间的差异和实际订单大小)和劳动生产率。然后利用这种相关性优化劳动力容量规划。
集成专家判断与历史需求数据和控制的预测偏差纠正最近观察到偏见提高销售预测和分配的劳动能力在不同的阶段。
预测模型提高仓库管理
大数据平台,将允许公司部署描述,可用于预测和说明性的模型降低各种风险,提高效率和盈利能力最大化的仓库管理,只要克服障碍。组织规模有限的科技资源的能力,以及缺乏信息共享与供应链合作伙伴也构成了挑战在仓库管理大数据分析采用。
Ghaouta和同事的研究表明预测模型的使用仍然有限——大多数模型是描述性的,除了路由算法和库存控制。然而,人们越来越意识到在供应链风险管理很可能鼓励企业在仓库管理多采用预测模型。WMS增强风险管理能力可以识别和评估潜在风险(破坏性事件发生的可能性和潜在影响)与供应链合作伙伴,如供应商容易中断或客户不稳定排序行为。这将进一步发展反应和/或积极的缓解策略基于段的供应商/客户提供不同的风险概况。
更多的研究在IoT-based WMS如何让公司从集中过渡到分散控制也是必要的。人类,处理材料、产品和传感器连接在这样的系统。bob手办官网这有可能使改善决策的协调和沟通的可能性。
引用
- Kumar M.N.维姆,s . Snehalatha Shobana Nageswari, c . Raveena和s . Rajan。2021。优化易腐货物的仓库管理。Alinteri农业科学杂志》上36 (1):199 - 203。
- Ghaouta、Ayoub Abdelali El bouchti, Chafik Okar》2018。大数据分析采用在仓库管理:系统回顾。2018年IEEE国际会议上技术管理、运营和决策(ICTMOD),11月。
- 图法诺、亚历桑德罗·里卡多。Accorsi,里卡多。Manzini》2021。机器学习的方法对预测仓库设计。国际先进制造技术杂志》上119 (3 - 4):2369 - 92。
- 阿兰史密斯D。仓库管理系统:比较两个总部位于匹兹堡的制造业公司。在信息科学和技术的百科全书,第六版,编辑Mehdi Khosrow-Pour, D.B.A.出版印刷之前,3/22/2023。
- 李,C.K.M.,Yaqiong Lv, K.K.H. Ng, William Ho, and K.L. Choy. 2017.网络的设计和应用什么智能物流仓库管理系统。国际期刊的生产研究56 (8):2753 - 68。
- 金,泰国年轻、Rommert德克尔和克里斯蒂安·Heij》2018。故意提高仓库劳动力效率的预测偏差。国际物流与物流管理杂志》上48 (1):93 - 110。
穆斯塔法博士Cagri Gurbuz是一个供应链管理教授MIT-Zaragoza国际物流项目。他也是一个研究附属麻省理工学院的运输和物流中心。他的主要研究兴趣是库存和供应链管理,分销系统优化,合同,和操作系统建模。